基于特征融合的人脸识别

刘 嵩

(湖北民族学院 信息工程学院，湖北 恩施 445000)

人脸识别是模式识别研究领域的重要分支，其中决定人脸识别率的一个关键因素就是特征提取[1].主成分分析(principal component analysis,PCA)是线性特征抽取的最为重要的技术之一，最早被Turk M 和Pentland 用于人脸识别的研究，提出了著名的“特征脸”[2-3](Eigenfaces).特征脸的主要思想是在原始人脸空间中通过PCA求得一组相互正交的向量,即特征脸，构成人脸特征空间,进行人脸识别.

特征脸的方法取得了一定的效果,但是该方法为了达到降维的目的,只选取了特征值较大的部分特征脸进行人脸识别,选取的这一部分特征对应着人脸图像的低频成分,而被忽略的特征脸对应人脸图像的高频成分,它们可能对人脸识别有着重大的影响[4]. 为了进一步提高人脸识别率,特征融合是一个非常有效的改善手段,研究人员进行了大量的研究工作.本文针对特征脸方法的上述特点,提出了一种融合特征脸和二阶特征脸的人脸识别方法. 所谓的二阶特征脸,就是人脸图像的余像的特征脸，而余像则是指原始人脸图像与基于特征脸的主成分重构的人脸图像的差[5-6].二阶特征脸代表人脸图像的高频部分,体现了人脸细节.特征脸和二阶特征脸具有互补性,实验证明融合两种特征脸的方法优于传统的特征脸方法.

1 特征脸及二阶特征脸方法

1.1 特征脸方法

特征脸方法首先图像矩阵转化为图像向量，然后以该图像向量作为原始特征进行主成分分析[7],其工作步骤如下:

则所有训练样本的协方差矩阵为：

2)求协方差矩阵C的特征值及其对应的特征向量,并将特征向量按对应的特征值从大到小排列.

CU=λU

3)选取部分特征向量构成特征空间Pk：

Pk=[U1,U2，…，Uk].

U1,U2，…，Uk就是特征空间的特征脸,因为他们重构图像类似人脸[8]，k的选取原则是特征值所占的能量比例不大于阈值Threshold.

1.2 二阶特征脸方法

在特征脸方法中,人脸图像重建方法如下:Xi′=Ukyi+m.

将余像Zi按上述特征脸方法求出特征脸就是二阶特征脸[9],进而可以得到训练集余像的图像特征yi′.

2 分类识别

采用三阶近邻法设计分类器，在分类识别阶段，首先融合融合特征脸和二阶特征脸，设特征脸方法和二阶特征脸方法权重分别为A和B,且A+B=1，然后分别将测试集的人脸图像投影到上述特征空间，提取人脸特征，并计算与在训练集提取的特征的距离，最终的总距离按A和B加权，最后送入分类器进行类别识别.

表1 不同权重对识别率的影响(Threshold=99%)

表2 不同Threshold对识别率的影响(A=0.4)

3 实验及结果分析

采用ORL人脸数据库库进行实验,ORL人脸库由40人,每人10幅图像组成.本实验选取其中的5幅图像作为训练样本,另外5幅图像作为测试样本,训练样本和测试样本总数都是200,实验结果都是重复10次取的平均值.

本实验首先设置在选择特征矢量时对应的特征值所占的能量比例Threshold固定为99%,然后比较在特征脸权重A取不同的值时传统特征脸方法和特征融合方法的人脸识别率,实验结果如表1所示.

从表1可以看出,在特征脸与二阶特征脸的权重选择不同时,识别率也有所不同,本文实验显示在特征脸权重A=0.3或者0.5的时候,特征融合方法的识别率最高,达到了91.5%,但是这个权重的选择与人脸数据库有很大关系,本实验确定的权重并不具有一般性.

最后测试在固定权重A的前提下选取不同的Threshold对识别率的影响,实验结果如表2所示. Threshold的值越大,选取的特征值越多,从而对应的特征脸越多,当然计算量也越大.从表2可以看出,并不是特征脸的个数越多,识别率越高,说明 特征脸的个数不是越多越好.但是表1和表2都反映脸特征脸融合的方法在识别率方面明显优于传统的特征脸方法.

4 结束语

本文给出了一种融合特征脸与二阶特征脸的人脸识别方法, 通过抽取原始图像和余像的主成分特征,并将两种不同的特征进行融合,用三阶最近邻分类器进行人脸识.实验表明本文的融合方法充分利用了图像的高频特征和低频特征，相对传统的特征脸方法,提高了人脸识别率.

参考文献:

[1]Jiang Xudong,Mandal B,Kot A.Eigenfeature Regularization and Ext raction in Face Recognition[M].IEEE Trans on Pattern Analysis and Machine Intelligence,2008,30(3):383-394.

[2]杨晓莉.结合PCA与ICA的Munsell色卡光谱反射比重建[J].湖北民族学院学报：自然科学版，2010，28(2)：150-152.

[3]Yang Jian,Alejandro F Frangi,Jing-yu Yang.KPCA Plus LDA:A complete kernel fisher discriminant framework for feature extraction and recognition[J].IEEE Transactions on Pattern Analysis Machine Intelligence,2005,27(2):230-244.

[4]刘丽娜.基于特征脸和多特征的人脸识别算法研究[D].济南:山东大学,2006.

[5]徐春明,乐晓蓉.一种基于核主成分特征组合的人脸识别方法[J].计算机工程与应用,2006(3):76-77.

[6]Zhu Jianke,Lyu MR.Face Annotation Using Transductive Kernel Fisher Discriminant [J].IEEE Trans onMultimedia,2008,10(1):86-96.

[7]王蕴红,范伟,谭铁牛.融合全局与局部特征的子空间人脸识别算法[J].计算机学报,2005,28(10):1657-1663.

[8]Fang Y,Tan T,Wang Y.Fusion of Global and Local Features for Face Verification[C]//Proceeding of IEEE International Conference on Pattern Recognition(ICPR’02)，2002,2:382-385.

[9]陈伏兵.人脸识别中鉴别特征抽取若干方法研究[D].南京:南京理工大学,2006.